
#импорт библиотек
import pandas as pd
import numpy as np
import math as mth
import matplotlib.pyplot as plt
import scipy.stats as st
import datetime as dt
from IPython.display import display
from plotly import graph_objects as go


#Чтение датасета
try:
    data = pd.read_csv('datasets/logs_exp.csv', sep='\t')
except:
    data = pd.read_csv('https://code.s3.yandex.net/datasets/logs_exp.csv', sep='\t')


#Создаем функцию для изучения датасета, преведения названий строк к змеиному регистру и подсчету полных дубликатов
def data_info(data):
    data.columns = [(x.lower()).replace(' ', '_') for x in data.columns]
    print('-' * 80)
    display(data.head())
    print('-' * 80)
    data.info()
    print('-' * 80)
    print('Кол-во полных дубликатов в таблице:', data.duplicated().sum())
    print('-' * 80)
    
#Создадим функцию для просмотра максимальной и минимальной дате в столбцах
def data_dt_info(data, dt):
    print('Минимальная дата в столбце', dt, data[dt].min(), 
          '\nМаксимальная дата в столбце', dt, data[dt].max())


#Чтение датасета 
data_info(data)

--------------------------------------------------------------------------------

--------------------------------------------------------------------------------
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 244126 entries, 0 to 244125
Data columns (total 4 columns):
 #   Column          Non-Null Count   Dtype 
---  ------          --------------   ----- 
 0   eventname       244126 non-null  object
 1   deviceidhash    244126 non-null  int64 
 2   eventtimestamp  244126 non-null  int64 
 3   expid           244126 non-null  int64 
dtypes: int64(3), object(1)
memory usage: 7.5+ MB
--------------------------------------------------------------------------------
Кол-во полных дубликатов в таблице: 413
--------------------------------------------------------------------------------


#Изменим название колонок
data.columns = ['event_name', 'user_id', 'dt', 'group']

#Переведем дату в удобный формат для чтения и работы
data.dt = data.dt.map(lambda x: dt.datetime.fromtimestamp(x))

#Выведим первые строки таблицы
display(data.head())

#Посмотрим минимальную и максимальную дату
data_dt_info(data, 'dt')

Минимальная дата в столбце dt 2019-07-25 07:43:36 
Максимальная дата в столбце dt 2019-08-08 00:15:17


#Создаю переменные, где будет хранится первоначально число строк и уникальных пользователей
count_entries = data.shape[0]    
count_user = data.user_id.nunique()

#Создаем функцию, которая будет выводить, сколько было удаленно строк и уникальных пользователей
def difference_of_values():
    print(f'Всего удаленно строк {count_entries - data.shape[0]} \
или {round(100 * (count_entries - data.shape[0]) / count_entries, 2)}% от первоначального кол-во строк')
    print(f'Всего удаленно уникальных пользователей {count_user - data.user_id.nunique()} \
или {round(100 * (count_user - data.user_id.nunique()) / count_user, 2)}% от первоначального \
кол-ва уникальных пользователей')


#Удалим полные дубликаты из таблицы
data = data.drop_duplicates()

#Посмотрим, сколько данных удалилось
difference_of_values()

Всего удаленно строк 413 или 0.17% от первоначального кол-во строк
Всего удаленно уникальных пользователей 0 или 0.0% от первоначального кол-ва уникальных пользователей


#Посмотрим, какие события есть в логах
data.event_name.unique()

array(['MainScreenAppear', 'PaymentScreenSuccessful', 'CartScreenAppear',
       'OffersScreenAppear', 'Tutorial'], dtype=object)


#Немного изменим названия событий, для лучшей их читаемости
data.event_name = data.event_name.replace({'MainScreenAppear': 'Main_Screen_Appear', 
                                           'PaymentScreenSuccessful': 'Payment_Screen_Successful',
                                          'CartScreenAppear': 'Cart_Screen_Appear',
                                          'OffersScreenAppear': 'Offers_Screen_Appear'})


#Посмотрим, кол-во уникальных пользователей в таблице и проверим, что в таблице только нужные группы пользователей
print('Кол-во уникальных пользователей', data.user_id.nunique(), '\nНомера всех групп', data.group.unique())

Кол-во уникальных пользователей 7551 
Номера всех групп [246 248 247]


#Добавляем отдельный столбец с датой, временем и днем эксперимента
data['date'] = pd.to_datetime(data.dt).dt.date
data['time'] = pd.to_datetime(data.dt).dt.time
data['day'] = data.date - min(data.date)
data.head()


# Выведим кол-во событий, пользователей и среднее кол-во событий на пользователя
print(f'Кол-во событий в логе: {data.shape[0]}. \
      \nУникальных пользователей в логе: {data.user_id.nunique()}. \
      \nСреднее кол-во событий на пользователя: {round(data.shape[0] / data.user_id.nunique(), 1)}')

Кол-во событий в логе: 243713.       
Уникальных пользователей в логе: 7551.       
Среднее кол-во событий на пользователя: 32.3


# Посмотрим описательную статистику кол-ва событий на пользователя
data.groupby('user_id').dt.count().describe()

count    7551.000000
mean       32.275593
std        65.154219
min         1.000000
25%         9.000000
50%        20.000000
75%        37.000000
max      2307.000000
Name: dt, dtype: float64


# Посмотрим минимальные и максимальные даты по группам
for i in data.group.unique():
    print(f'''В группе {i} минимальная дата: {data.query('group == @i').date.min()}, \
максимальная дата: {data.query('group == @i').date.max()}''')
    print('-'*75)

В группе 246 минимальная дата: 2019-07-25, максимальная дата: 2019-08-08
---------------------------------------------------------------------------
В группе 248 минимальная дата: 2019-07-25, максимальная дата: 2019-08-08
---------------------------------------------------------------------------
В группе 247 минимальная дата: 2019-07-25, максимальная дата: 2019-08-08
---------------------------------------------------------------------------


# Создаем агрегированную таблицу по группам и датам, и считаем кол-во событий
data_group = data.groupby(['group', 'day'], as_index=False) \
             .agg({'day': 'max', 'date': 'max', 'user_id': 'count'}) \
             .sort_values(['day', 'group']).reset_index(drop=True)
data_group.head()


#Задаем ширину столбца
barWidth = 0.25
 
#Задаем высоту столбцов для каждого дня по группам
bars1 = data_group.query('group == 246').user_id
bars2 = data_group.query('group == 247').user_id
bars3 = data_group.query('group == 248').user_id
 
#Задаем позицию для каждого столбца
r1 = np.arange(len(bars1))
r2 = [x + barWidth for x in r1]
r3 = [x + barWidth for x in r2]
 
#Строим график
plt.figure(figsize=(14, 6))
plt.bar(r1, bars1, color='#7f6d5f', width=barWidth, edgecolor='white', label='группа 246')
plt.bar(r2, bars2, color='#557f2d', width=barWidth, edgecolor='white', label='группа 247')
plt.bar(r3, bars3, color='#2d7f5e', width=barWidth, edgecolor='white', label='группа 248')
 
#Настраиваем график
plt.title('Столбчатая диаграмма кол-ва событий по группам', size=14)
plt.xlabel('Дата', size=12)
plt.ylabel('Кол-во событий', size=12)
x = [str(x.day) + '.' + '0' + str(x.month) for x in list(data.date.unique())]
plt.xticks([r + barWidth for r in range(len(bars1))], x)
plt.yticks(range(0, 15000, 1000))
plt.ylim(0, 14000)
plt.legend()
plt.show()


#Также отдельно посмотрим, что происходило до резкого всплекска
data[(data['date'] < dt.datetime(2019, 8, 1).date())].dt.hist(bins=100, figsize=(12,6))

<AxesSubplot:>


#Отбросим события, которые выходят за определенные даты
data = data[(data['date'] >= dt.datetime(2019, 8, 1).date()) 
            & (data['date'] <= dt.datetime(2019, 8, 7).date())].reset_index(drop=True)

#Посмотрим, сколько событий удалили
difference_of_values()
print('-'*105)

#Посмотрим, кол-во уникальный пользователей по группам
print('Кол-во уникальных пользователей по группам')
data.groupby('group').agg({'user_id': 'nunique'})

Всего удаленно строк 2470 или 1.01% от первоначального кол-во строк
Всего удаленно уникальных пользователей 13 или 0.17% от первоначального кол-ва уникальных пользователей
---------------------------------------------------------------------------------------------------------
Кол-во уникальных пользователей по группам


#Считаем частоту встречи событий в логах
logs_event = data.groupby('event_name').agg({'user_id': 'count'}).sort_values('user_id', ascending=False).reset_index()
logs_event['%'] = round(logs_event.user_id / data.user_id.count() * 100, 2)

#Строим график
plt.figure(figsize=(10, 4))
plt.barh(logs_event.event_name, logs_event.user_id)


#Настраиваем график
plt.title('Диаграмма кол-ва событий', size=16)
plt.xlabel('Кол-во события в логах', size=14)
plt.ylabel('Событие', size=14)
plt.xticks(range(0, 130000, 15000), size=12)
plt.yticks(size=12)
plt.xlim(0, 120000)
plt.grid(axis='x', color='grey', alpha=0.5)
plt.show()

logs_event


#Cчитаем, сколько пользователей совершали каждое из событий и долю пользователей, которые хоть раз совершали событие.
event_users = data.groupby('event_name').agg({'user_id': 'nunique'}).sort_values('user_id', ascending=False).reset_index()
event_users['%'] = round(event_users.user_id / data.user_id.nunique() * 100, 2)
event_users


#Создадим агрегированную таблицу по пользователям и событиям, и найдем для каждого события минимальное время
user_events = data.groupby(['user_id', 'event_name'], as_index=False).agg({'user_id': 'max', 'event_name': 'max', 'dt': 'min'}) \
.sort_values(['user_id', 'dt'])

#Изменим названия событий, оставив только первый символ, каждого из события
user_events.event_name = user_events.event_name.replace({'Main_Screen_Appear': 'M', 
                                               'Payment_Screen_Successful': 'P',
                                               'Cart_Screen_Appear': 'C',
                                               'Offers_Screen_Appear': 'O',
                                               'Tutorial': 'T'})

#Для каждого пользователя сложим названия событий по дате
user_events = user_events.groupby('user_id', as_index=False).agg({'event_name': 'sum'})
user_events.head()


#Теперь посчитаем частоту встречи, каждой из последовательностей событий
user_events = user_events.groupby('event_name').agg({'user_id': 'count'}).reset_index().sort_values('user_id', ascending=False)
user_events['%'] = round(user_events.user_id / user_events.user_id.sum() * 100, 2)
user_events.head(15)


#Создадим агрегируемую таблицу по событиям без туториала, 
#и посчитаем сколько уникальных пользователей и всего событий произошло
funnel_events = data.query('not event_name.isin(["Tutorial"])') \
.groupby('event_name', as_index=False).agg({'user_id': ['nunique']})
funnel_events.columns = ['event_name', 'users']
funnel_events = funnel_events.sort_values('users', ascending=False).reset_index(drop=True)

#Добавим столбец с процентом, чтобы посмотреть, 
#какая доля пользователей проходит на следующий шаг воронки (от числа пользователей на предыдущем)
funnel_events['%'] = round(funnel_events['users'] / funnel_events['users'].shift(1) * 100, 2)
funnel_events.loc[0, '%'] = 100
funnel_events


#Создаем график воронки
fig = go.Figure()
fig.add_trace(go.Funnel(
    y = funnel_events.event_name,
    x = funnel_events.users,
    textinfo = "value+percent initial"))

#Добавляем название графика
fig.update_layout(title_text="График воронки событий пользователей от главного экрана до успешной оплаты", 
                  title_font_size=18, title_x=0.55, title_y=0.85)
fig.show()


#Создаем график воронки
fig = go.Figure()
fig.add_trace(go.Funnel(
    y = funnel_events.event_name.loc[1:3],
    x = funnel_events.users.loc[1:3],
    textinfo = "value+percent initial"))

#Добавляем название графика
fig.update_layout(title_text="График воронки событий пользователей от экрана предложения до успешной оплаты", 
                  title_font_size=18, title_x=0.5, title_y=0.85)
fig.show()


print(f'''Процент пользователей дошедших от главного экрана до успешной оплаты \
{round(funnel_events.loc[3, 'users'] / funnel_events.loc[0, 'users'] * 100, 1)}%.''')

print(f'''Процент пользователей дошедших от экрана предложения до успешной оплаты \
{round(funnel_events.loc[3, 'users'] / funnel_events.loc[1, 'users'] * 100, 1)}%.''')

Процент пользователей дошедших от главного экрана до успешной оплаты 47.7%.
Процент пользователей дошедших от экрана предложения до успешной оплаты 77.0%.


#Переименуем группы для более удобного сравнения и чтения
data.group = data.group.replace({246: 'A1', 247: 'A2', 248: 'B'})


#Подсчитаем кол-во уникальных пользователей в каждой из групп
users_group = data.groupby('group').agg({'user_id': 'nunique'}).reset_index()
users_group.loc[len(users_group.index)] = ['A1_A2', sum(users_group.loc[0:1].user_id)]
users_group


#Проверим на наличие одинаковых пользователей в группах
print('Кол-во одинаковых пользователей в группах A1 и A2 =', 
      data.query('''group == "A1"''').user_id.isin(data.query('''group == "A2"''').user_id.unique()).sum())
print('Кол-во одинаковых пользователей в группах A1 и B =', 
      data.query('''group == "A1"''').user_id.isin(data.query('''group == "B"''').user_id.unique()).sum())
print('Кол-во одинаковых пользователей в группах A2 и B =', 
      data.query('''group == "A2"''').user_id.isin(data.query('''group == "B"''').user_id.unique()).sum())

Кол-во одинаковых пользователей в группах A1 и A2 = 0
Кол-во одинаковых пользователей в группах A1 и B = 0
Кол-во одинаковых пользователей в группах A2 и B = 0


#Cоздадим агрегируемую таблицу, где будет указано для каждой группы с событием, кол-во уникальных пользователей.
events_group = data.query('event_name != "Tutorial"').groupby(['group', 'event_name'], as_index=False).agg({'user_id': 'nunique'})

#Также добавим в таблицую общую контрольную группу
x = data.query('event_name != "Tutorial" & group != "B"').groupby('event_name', as_index=False).agg({'user_id': 'nunique'})
x.insert(loc = 0, column = 'group', value = "A1_A2")
events_group = pd.concat([events_group, x], axis=0).reset_index(drop=True)
events_group


#Создадим список событий, будем сравнивать все события, кроме туториала, так как на него приходится очень мало пользователей
event_name = events_group.sort_values('user_id', ascending=False).event_name.unique()

#Создадим функцию, которая будет проводить двухстороний z-тест сразу для всех событий
def z_test(group_1, group_2, alpha=0.05):
    
    #Задаем критический уровень статистической значимости
    alpha = alpha
    print('-'*80)
    
    for event in event_name:
        #Выводим название групп и события, которые сравниваем.
        print(f'Проверяем различия между выборками {group_1} и {group_2}. Cобытие - {event}.')
        
        events = np.array([events_group.query('event_name == @event & group == @group_1').user_id, 
                           events_group.query('event_name == @event & group == @group_2').user_id])
        
        users = np.array([users_group.query('group == @group_1').user_id.iloc[0], 
                           users_group.query('group == @group_2').user_id.iloc[0]])
        
        #пропорция успехов в первой группе:
        p1 = events[0]/users[0]

        #пропорция успехов во второй группе:
        p2 = events[1]/users[1]

        #пропорция успехов в комбинированном датасете:
        p_combined = (events[0] + events[1]) / (users[0] + users[1])

        #разница пропорций в датасетах
        difference = p1 - p2 
        
        #считаем статистику в ст.отклонениях стандартного нормального распределения
        z_value = difference / mth.sqrt(p_combined * (1 - p_combined) * (1/users[0] + 1/users[1])) # ваш код
        
        #задаем стандартное нормальное распределение (среднее 0, ст.отклонение 1)
        distr = st.norm(0, 1) 
        
        #Вызовем метод cdf и вычислим и выведем p-value
        p_value = (1 - distr.cdf(abs(z_value))) * 2
        print('P-value равно:', round(p_value[0], 3))
        
        #Отвергнем или не отвергним нулевую гипотезу
        if p_value < alpha:
            print('Отвергаем нулевую гипотезу: между долями есть значимая разница')
        else:
            print('Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными')
        print('-'*80)


#Запустим двухстороний z-тест сразу для всех событий, для определения статистической значимости для А1 и A2 групп.
#Установим уровень статистической значимости 0.01
z_test('A1', 'A2', alpha=0.01)

--------------------------------------------------------------------------------
Проверяем различия между выборками A1 и A2. Cобытие - Main_Screen_Appear.
P-value равно: 0.676
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------
Проверяем различия между выборками A1 и A2. Cобытие - Offers_Screen_Appear.
P-value равно: 0.255
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------
Проверяем различия между выборками A1 и A2. Cобытие - Cart_Screen_Appear.
P-value равно: 0.218
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------
Проверяем различия между выборками A1 и A2. Cобытие - Payment_Screen_Successful.
P-value равно: 0.103
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------


#Запустим двухстороний z-тест сразу для всех событий, для определения статистической значимости для А1 и B групп.
#Установим уровень статистической значимости 0.01
z_test('A1', 'B', alpha=0.01)

--------------------------------------------------------------------------------
Проверяем различия между выборками A1 и B. Cобытие - Main_Screen_Appear.
P-value равно: 0.347
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------
Проверяем различия между выборками A1 и B. Cобытие - Offers_Screen_Appear.
P-value равно: 0.208
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------
Проверяем различия между выборками A1 и B. Cобытие - Cart_Screen_Appear.
P-value равно: 0.083
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------
Проверяем различия между выборками A1 и B. Cобытие - Payment_Screen_Successful.
P-value равно: 0.223
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------


#Запустим двухстороний z-тест сразу для всех событий, для определения статистической значимости для А2 и B групп.
#Установим уровень статистической значимости 0.01
z_test('A2', 'B', alpha=0.01)

--------------------------------------------------------------------------------
Проверяем различия между выборками A2 и B. Cобытие - Main_Screen_Appear.
P-value равно: 0.6
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------
Проверяем различия между выборками A2 и B. Cобытие - Offers_Screen_Appear.
P-value равно: 0.906
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------
Проверяем различия между выборками A2 и B. Cобытие - Cart_Screen_Appear.
P-value равно: 0.617
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------
Проверяем различия между выборками A2 и B. Cобытие - Payment_Screen_Successful.
P-value равно: 0.678
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------


#Запустим двухстороний z-тест сразу для всех событий, для определения статистической значимости для А1_A2 и B групп.
#Установим уровень статистической значимости 0.01
z_test('A1_A2', 'B', alpha=0.01)

--------------------------------------------------------------------------------
Проверяем различия между выборками A1_A2 и B. Cобытие - Main_Screen_Appear.
P-value равно: 0.393
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------
Проверяем различия между выборками A1_A2 и B. Cобытие - Offers_Screen_Appear.
P-value равно: 0.429
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------
Проверяем различия между выборками A1_A2 и B. Cобытие - Cart_Screen_Appear.
P-value равно: 0.198
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------
Проверяем различия между выборками A1_A2 и B. Cобытие - Payment_Screen_Successful.
P-value равно: 0.645
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными
--------------------------------------------------------------------------------

	event_name	user_id	%
0	Main_Screen_Appear	117850	48.77
1	Offers_Screen_Appear	46509	19.25
2	Cart_Screen_Appear	42338	17.52
3	Payment_Screen_Successful	33949	14.05
4	Tutorial	1010	0.42

	event_name	user_id	%
0	Main_Screen_Appear	7423	98.47
1	Offers_Screen_Appear	4596	60.97
2	Cart_Screen_Appear	3736	49.56
3	Payment_Screen_Successful	3540	46.96
4	Tutorial	843	11.18

	user_id	event_name
0	6888746892508752	M
1	6909561520679493	MCPO
2	6922444491712477	MCPO
3	7435777799948366	M
4	7702139951469979	MOCP

	event_name	user_id	%
13	M	2703	35.86
22	MOCP	1069	14.18
19	MCPO	833	11.05
20	MO	760	10.08
26	MOPC	294	3.90
30	MPCO	282	3.74
68	TMOCP	273	3.62
16	MCOP	181	2.40
60	TM	149	1.98
66	TMO	111	1.47
63	TMCOP	92	1.22
45	OMCP	55	0.73
21	MOC	47	0.62
42	OCPM	46	0.61
65	TMCPO	44	0.58

	event_name	users	%
0	Main_Screen_Appear	7423	100.00
1	Offers_Screen_Appear	4596	61.92
2	Cart_Screen_Appear	3736	81.29
3	Payment_Screen_Successful	3540	94.75

Анализ пользовательского поведения в мобильном приложении¶

Содержание проекта ¶

Описание проекта ¶

Цель проекта ¶

Описание данных ¶

План работ ¶

Чтение и предобработка данных ¶

Промежуточный вывод ¶

Исследовательский анализ данных ¶

Промежуточный вывод ¶

Изучение воронки событий ¶

Частота встречи событий в логах ¶

Кол-во пользавателей совершавших каждое из событий ¶

Предположения о порядке событий ¶

Расчет конверсии по шагам в воронке событий ¶

Доля пользователей, дошедших от первого события по последнего ¶

Промежуточный вывод ¶

Изучение результатов A/A/B-эксперимента ¶

Функция для проведения двухсторонего z-теста ¶

Определение статистической значимости для А1 и A2 групп ¶

Определение статистической значимости для А1 и B групп ¶

Определение статистической значимости для А2 и B групп ¶

Определение статистической значимости для А1_A2 и B групп ¶

Групповая вероятность ошибки первого рода/FWER ¶

Промежуточный вывод ¶

Вывод ¶

	eventname	deviceidhash	eventtimestamp	expid
0	MainScreenAppear	4575588528974610257	1564029816	246
1	MainScreenAppear	7416695313311560658	1564053102	246
2	PaymentScreenSuccessful	3518123091307005509	1564054127	248
3	CartScreenAppear	3518123091307005509	1564054127	248
4	PaymentScreenSuccessful	6217807653094995999	1564055322	248

	event_name	user_id	dt	group
0	MainScreenAppear	4575588528974610257	2019-07-25 07:43:36	246
1	MainScreenAppear	7416695313311560658	2019-07-25 14:11:42	246
2	PaymentScreenSuccessful	3518123091307005509	2019-07-25 14:28:47	248
3	CartScreenAppear	3518123091307005509	2019-07-25 14:28:47	248
4	PaymentScreenSuccessful	6217807653094995999	2019-07-25 14:48:42	248

	group	day	date	user_id
0	246	0 days	2019-07-25	4
1	247	0 days	2019-07-25	1
2	248	0 days	2019-07-25	4
3	246	1 days	2019-07-26	14
4	247	1 days	2019-07-26	8

	group	event_name	user_id
0	A1	Cart_Screen_Appear	1266
1	A1	Main_Screen_Appear	2450
2	A1	Offers_Screen_Appear	1542
3	A1	Payment_Screen_Successful	1200
4	A2	Cart_Screen_Appear	1239
5	A2	Main_Screen_Appear	2479
6	A2	Offers_Screen_Appear	1523
7	A2	Payment_Screen_Successful	1158
8	B	Cart_Screen_Appear	1231
9	B	Main_Screen_Appear	2494
10	B	Offers_Screen_Appear	1531
11	B	Payment_Screen_Successful	1182
12	A1_A2	Cart_Screen_Appear	2505
13	A1_A2	Main_Screen_Appear	4929
14	A1_A2	Offers_Screen_Appear	3065
15	A1_A2	Payment_Screen_Successful	2358

	group	user_id
0	A1	2484
1	A2	2517
2	B	2537
3	A1_A2	5001